卷积网络知识点

1、特征提取
卷积的过程也被称为特征提取的过程
一个图像矩阵经过一个卷积核的卷积操作后，得到了另一个矩阵，这个矩阵叫做特征映射（feature map）。
每一个卷积核都可以提取特定的特征，不同的卷积核提取不同的特征，
举个例子，现在我们输入一张人脸的图像，使用某一卷积核提取到眼睛的特征，用另一个卷积核提取嘴巴的特征等等。而特征映射就是某张图像经过卷积运算得到的特征值矩阵。

2、Feature Map
每个卷积核得到一副特征图像也被称为一个Feature Map。我们的原始图，经过不同feature的卷积操作就变成了一系列的feature map。

3、非极大值抑制（Non-Maximum Suppression，NMS）
将类别预测得分（类别预测概率）未达到极大值的对象进行抑制处理。

4、“交并比”（Intersection over Union, IoU）
该方法用两个矩形交集区域的面积占其并集区域面积的比例作为重叠程度的度量

5、目标检测（R-CNN）

6、卷积核参数
滤波中用到的卷积核是根据经验得到的固定值（sobel卷积）。
深度学习中的卷积核，是根据标签，学习训练得到特征的过程中，一点点训练得到的，开始仅需要初始化

7、faster rcnn网络中的anchor
当一张图片输入resnet或vgg，在最后一层的特征图上面，寻找可能出现物体的位置，这时候分别以这张特征图的每一个点为中心，
在原图上画出9个尺寸不同的anchor。然后计算anchor与GT(ground truth) box的iou，满足一定iou条件的anchor，便认为是这个anchor包含了某个物体。

8、faster rcnn过程
◆ Conv layers：作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。
◆ Region Proposal Networks：RPN网络用于生成region proposals。该层通过softmax判断anchors属于positive或者negative，再利用bounding box regression修正anchors获得精确的proposals。
◆ Roi Pooling：该层收集输入的feature maps和proposals，综合这些信息后提取proposal feature maps，送入后续全连接层判定目标类别。
◆ Classification：利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。

9、Region Proposal Networks(RPN：区域候选框)
其实RPN最终就是在原图尺度上，设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的positive anchor，哪些是没目标的negative anchor。所以，仅仅是个二分类而已！

10、图片通道数含义
第三个维度代表了图像中通道的数量。Img[:,:,0]代表B通道，也就是蓝色分量图像。 （OPENCV为BGR, PLT为RGB）
cv2把图片读取后是把图片读成BGR形式的，plt则是读成RGB形式img[:, :, ::-1]的作用就是实现RGB到BGR通道的转换 （若图片一开始就是BGR的，就是实现从BGR到RGB的转换）。那么image[:, ::-1, :]的作用就是把图像左右翻转，image[::-1, :, :]的作用就是把图像上下颠倒。

11、depthwise_conv2d
depthwise_conv2d：深度可分离卷积

12、常用的激活函数
Sigmoid
Sigmoid激活函数饱和（值接近1或-1）时梯度值非常小，故网络层数较深时易出现梯度消失的问题。

ReLU
缺点在于当反向传播过程中有一个非常大的梯度经过时，反向传播更新后可能导致权重分布中心小于零，导致该处的倒数始终为0，反向传播无法更新权重，即进行失活状态。